A multi-level contrastive learning framework with reliability estimation for multimodal recommendation

doi:10.1016/j.knosys.2026.116352

A multi-level contrastive learning framework with reliability estimation for multimodal recommendation

2026-08-03

0

PRE

AI

DOI：10.1016/j.knosys.2026.116352

原文链接

原文求助

摘要

En 中文

现有多模态推荐系统常面临内容级和交互级不确定性：多模态物品内容可能包含上下文或弱偏好指示的语义，而观察到的用户-物品交互可能提供异构级别的偏好证据。现有方法通常将内容不确定性和交互不确定性分开处理，这限制了它们在多模态融合、图学习和表示对齐过程中控制低置信度信号传播的能力。为解决此问题，我们提出了用于多模态推荐的可靠性估计多级对比学习框架（MRCL）。首先，我们设计了双原型残差净化模块，通过构建语义和行为原型，将低置信度特征组件柔性地调整至融合了语义邻域证据和协同行为证据的融合原型，以优化多模态表示。其次，我们开发了跨级可靠性协同优化机制，联合优化物品级内容可靠性和边级交互可靠性，使图传播能够基于软置信权重实现可靠性感知。最后，我们引入了可靠性分层跨视图对比学习目标，在语义视图和协同视图对齐的同时，强调可靠锚点和中等可靠性半硬负样本。在三个公开数据集上的广泛实验表明，MRCL在强基线方法上具有显著优势和鲁棒性。

Keyword:

Multimodal recommendation

Reliability-aware learning

Uncertainty modeling

Contrastive learning

A multi-level contrastive learning framework with reliability estimation for multimodal recommendation

摘要

期刊

机构

引用论文